Nov, 2022

使用动态视觉传感器重新审视人类活动识别

PDF
TL;DR本文提出了一个大规模的基准数据集 HARDVS 来填补基于事件相机的人类活动识别领域的数据空缺，同时还提出了一个名为 ESTF 的新的空间 - 时间特征学习和融合框架，结合了 STEMNET 和 Transformer 矩阵计算。结果表明，ESTF 能够有效地学习和推断人类活动。
发现论文，激发创造
  • 基于传感器的人体动作识别的多视角融合变压器

    本文介绍了一种新方法，即多视图融合变压器（MVFT），通过编码时间视图、频繁视图和统计视图来生成多视图特征，并提出一种新的注意机制以揭示细节关系建模。实验表明，该方法比几种最先进的方法更优异。

    Feb, 2022

  • 利用惯性、生理和环境传感器进行的人体活动识别：综述

    本文综述了机器学习在发展基于惯性传感器以及生理和环境传感器的人类活动识别应用中所扮演的重要角色。

    Apr, 2020

  • 人体活动识别中的数据集偏差

    本文旨在评估人类身体特征对多通道时间序列 HAR 数据的影响，并试图量化表示偏差，以提供公正和可信的人工智能。

    Jan, 2023

  • 了解邻居：智能家居中有效的传感器数据人体活动识别的基于图的方法

    通过学习传感器之间的显式共同触发关系，我们提出了一种新颖的图导向神经网络方法，该方法通过将离散的输入传感器测量映射到特征空间，应用注意机制和节点嵌入的分层汇聚，在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法，并将其推向更接近真实世界应用的方向。

    Nov, 2023

  • 基于传感器的人体姿态感知的机器学习技术研究及数据异质性综述

    通过分类数据异构类型、应用相应的适合的机器学习方法、总结可用的数据集并讨论未来的挑战，本论文探讨了机器学习如何解决人体活动识别中的数据异构问题。

    Mar, 2024

  • 传感器数据下的人体活动识别概述

    人体活动识别（HAR）是一项基础研究领域，已经在家庭与职场自动化、安全监控以及医疗保健等多个应用中得到应用。本文综述了基于传感器的 HAR，讨论了依赖于 HAR 的几个重要应用，并介绍了 HAR 中常用的机器学习方法，同时探讨了 HAR 存在的若干挑战以进一步提高其稳健性。

    Sep, 2023

  • 使用可穿戴数据的自监督表示进行人类活动识别

    本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型，在未参与训练的真实世界数据集上取得了良好性能，并可通过不同传感器的数据训练，从而实现了设备无关型人体活动识别模型，将有助于增加 HAR 领域中模型评估的标准化。

    Apr, 2023

  • 使用参数优化的多阶段图卷积网络和 Transformer 模型进行人类活动识别的特征融合

    使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

    Jun, 2024

  • 多模态数据中的人类动作识别：一篇综述

    本文综述了基于不同数据形式的深度学习方法在人类动作识别方面的应用以及涉及 co-learning 和融合等技术，并对多个基础数据集进行了实验比较研究与探讨未来研究方向。

    Dec, 2020

  • 随机 HAR: 传感器选择和强化学习提高集成深度学习在人类活动识别中的性能

    通过训练多个基于相同架构、从给定数据集中随机选择的模型并使用加强学习算法确定最佳的模型子集，提出了一种名为 randomHAR 的集成方法，以优化集成过程而非组成模型的架构，在 6 个人体活动识别基准数据集上的实验结果表明：该方法表现优于当前最优方法 ensembleLSTM。

    Jul, 2023